人工智能的讨论不能只有一片叫好的声音，一味的追捧反而可能隐藏巨大的危机。因此，必须有反对的声音，且越强烈越能激发深入思考。本篇文章的作者就以犀利的视角，漂亮地打响了反对人工智能应用的第一枪。

现在，有了 LLMs，只需将原始 HTML 提供给 AI，它就能提取数据，比如“获取植物的名称、描述和养护要点”，AI 会返回一个组织良好的结果，节省了大量时间和精力。然而，这一过程复杂且耗时，特别是当网站设计变动时，爬虫需要不断修复和更新。这些任务需具备规划和判断，目前已有一些工具在开发中，如 Multion，它能制作出独立完成复杂任务的代理，比如找到七月从纽约到墨尔本的最便宜航班并预订。今天，

研究表明，人们更愿意相信一个头发花白、拥有博士学位的专家，而不是一个匿名的信息源，即使两者讲述的内容完全相同。• Goel等人：在一项涉及 1690 名美国参与者的实验中，研究人员探讨了人们是否更信任AI生成的信息，而非人类来源的信息。因为信任不仅仅是一个理性过程，它是情感化的、社交性的、文化嵌入式的。最近的两项研究——一项由Costello、Pennycook和Rand发表在《Science》期

OpenAI最初公开了ChatGPT-2的语言模型（LLM）源代码，但在随后的ChatGPT-3及之后的版本中停止了开源，逐渐背离了最初的开放承诺，导致公司内部核心成员的相继离开。唯一的区别是，除了将已生成的单词输入解码器外，还将编码器输出的德语句子作为额外输入。标准差是一个统计量，用于描述数值的分布范围（在一组数字中），例如，如果所有值都相同，则标准差为零。基本上，你在将一个块层层堆叠，前一个块

在使用公有云模型（如 DeepSeek、豆包，Kimi，ChatGPT、Claude、Gemin）时，员工在日常操作中往往无感知地将企业数据上传至服务提供方的 AI 系统。这种看似无害的交互，在日积月累中将逐步暴露企业的核心信息与商业机密，形成系统性泄漏风险。

此外，现在有许多利用 NLP 的服务来创建应用程序，比如聊天机器人（它们属于应用，属于Agent应用开发），但这些内容不在知识的范围之内——我们将专注于 NLP 的基础知识（实现原理），以及如何进行语言建模，使您可以训练神经网络,教导电脑去理解和分类文本。在 NLP 的情况下，您的训练数据中可能包含成千上万个单词，出现在不同的上下文中，但您不可能在所有的上下文中涵盖所有可能的单词。你可能需要过滤掉

本人工智能学习课程连载的目标是帮助程序员理清思路，带你一步步通过写代码实现机器学习和深度学习的核心概念，构建像人类一样思考的模型，比如在计算机视觉、自然语言处理（NLP）等场景下应用。我们会先讲讲什么是传统编程，接着看看它的局限性，最后再看机器学习是如何解决这些问题的，同时开启了更多实现人工智能的机会。能够检测我们日常活动的健身追踪器是最近的创新，这不仅是因为有了便宜的小型硬件，还因为以前的算法根

在前面的内容中，我们经常提到“特征”，那么如何表示特征呢？举个例子，在日常生活中，我们描述一个快递包装盒时可能会提到它的高度、宽度和深度（这三个值就是盒子的特征，当然也可以用颜色、重量、材料等来描述）。当我们仅用高度、宽度和深度三个数据来描述盒子的特征时，我们就说这个盒子的特征是三维的。如果再加上颜色、重量和材料等特征，那么这个特征空间就是六维的了。

利用AI的威力其实并不复杂，不像那些卖认证的“AI大咖”讲的那样——通常只需几分钟的针对性培训。就算用的，也只是用来做些总结之类的小活儿。他们也可以帮助创建适合的提示语，分享他们的AI操作流程，并提供一些技巧，帮助团队未来的故障排查和评估。随着ChatGPT的崛起，AI已经不再只是“锦上添花”的小玩意儿，而是成了知识工作者的“生产力神器”。问题的关键——也是理解我们AI生产力“悖论”的重点——在于

，这对提升效果非常有帮助。细心的读者可能会注意到，我们无法直接输入“Humpty Dumpty”，因为如图所示，输入层只有12个神经元，对应于“humpty dumpt”中的每个字符（包括空格），并没有多余的神经元留给字母‘y’输入了。如果我们给神经网络输入“Humpty Dumpt”这个字符串，然后让它输出一个字符，并将其解释为“网络预测到的下一个字符”，我们可以通过训练，确保网络在收到这样的字